论文部分内容阅读
数据量大、实时性强,这是遥感图像处理中存在的两个现实性难题。遥感图像经过采集后需要进行预处理、配准和融合等操作。在计算机处理遥感图像时配准融合操作占用了很大一部分时间,重点处理好配准和融合这两步操作在遥感图像处理的整体效率提高上有很重要的作用。 现有的遥感图像配准和融合算法优化思路多为利用CPU多核心的并行处理或GPU单独处理某个算法步骤上,并没有综合CPU逻辑计算能力强和GPU高密度计算能力强的优点,开发出性能耗费比更高的算法。针对这种情况,本文从CPU、GPU分工协作方面入手,利用CUDA优化了遥感图像的配准及融合两个步骤中的七种不同的算法,并通过实验数据验证了算法的可行性和高效性。本文的主要工作和成果如下: 1.本文减少了CUDA模式下CPU端和GPU端执行算法时各个步骤的时间,具体的工作有:第一,从CPU和GPU之间的数据交接方面找到一种CPU-GPU协同工作模式,减少了数据通讯时它们各自的闲置时间;第二,对算法中存在的循环进行手动展开,减少算法运行时GPU产生的冗余线程;第三,数据根据访问频率不同存放在不同的存储器中,这样可以减少存储器的读取次数,提高数据的访问速度;第四,通过对CUDA内核函数的整合,将关联性强的内核函数合并,减少了算法执行时调用内核函数的时间。 2.本文在不同分辨率图像下比较了配准融合算法中优化前和优化后的加速性。在配准算法的实验里,本文选择了相关系数好互信息这两种相似性度量的算法进行实验研究,通过CUDA优化设计后,在不同数据量大小的图像上与优化前的串行算法进行了实验比较,得出结论:优化算法的速度提升系数随着数据量增大而提高。 在融合算法实验研究中,为了测试算法的适用性,我们首先在低配置PC平台下实验CUDA优化的最高优先级优先融合算法的加速情况。然后对复杂度逐步提高的直接融合算法,BROVEY融合算法,色彩空间变换融合算法和HIS变量替换WAVELET增强算法进行CUDA并行优化,最后通过实验测试比较并行和串行算法的运行时间,得出结论:算法复杂度越高,则并行加速性越好。